一种基于深度学习的列车侧部裙板丢失故障的检测方法技术

一种基于深度学习的列车侧部裙板丢失故障的检测方法，它属于列车侧部裙板丢失故障检测技术领域。本发明专利技术解决了传统故障识别算法的泛化能力差的问题。本发明专利技术在列车轨道周围搭建高清成像设备，当列车通过设备后即可获取高清图像；将车轴的位置作为参考，获得侧部转向架处小裙板所在区域图像和非转向架处的裙板所在区域图像，然后利用训练好的YOLOF网络结构对获得的侧部裙板所在区域图像进行丢失故障的检测，最后对裙板丢失的故障进行上传报警，工作人员根据识别结果进行相应的处理，保证列车安全运行。本发明专利技术可以应用于列车侧部裙板丢失故障检测。失故障检测。失故障检测。

【技术实现步骤摘要】
一种基于深度学习的列车侧部裙板丢失故障的检测方法


[0001]本专利技术属于列车侧部裙板丢失故障检测
，具体涉及一种基于深度学习的列车侧部裙板丢失故障的检测方法。

技术介绍

[0002]动车组侧部裙板部位有多种盖板、格栅、电池箱等部件，侧部裙板保护着动车组侧部的各种零部件，对列车的安全行驶有着重要的作用。但是列车高速运行的过程中容易出现侧部裙板丢失状况，如果不及时发现，将会严重危及行车安全。采用人工检查图像的方式进行故障检测时，由于动车组运行的密度大，检车时间短，检车人员在工作过程中极易出现疲劳、遗漏等情况，造成对侧部裙板丢失故障的漏检、错检，影响行车安全。因而，为了克服人工检测方法存在的不足，现有方法通过图像处理算法对侧部裙板丢失故障进行识别。但是由于光照，天气等外界因素的影响，将使得采集到的列车图像质量不一，而传统的图像处理算法对图像质量依赖性强，造成故障识别算法泛化能力差。

技术实现思路

[0003]本专利技术的目的是为解决传统故障识别算法的泛化能力差的问题，而提出一种基于深度学习的列车侧部裙板丢失故障的检测方法。
[0004]本专利技术为解决上述技术问题所采取的技术方案是：一种基于深度学习的列车侧部裙板丢失故障的检测方法，该方法包括以下步骤：
[0005]步骤一、获取列车侧部图像，并从获取的图像中截取出裙板部件所在区域的图像；
[0006]步骤二、将步骤一中截取出的图像作为输入图像，将输入图像输入到训练好的YOLOF网络；
[0007]YOLOF网络的结构包括Backbone模块、Encoder模块和Head模块，输入图像输入Backbone模块后，将Backbone模块的输出结果输入到Encoder模块，再将Encoder模块的输出结果输入到Head模块，通过Head模块输出故障检测结果；
[0008]Encoder模块包括第一卷积层、第二卷积层和串联的4个不同空洞率的残差单元，Backbone模块的输出依次经过Encoder模块的第一卷积层和第二卷积层后，第二卷积层的输出结果输入第一残差单元，将第二卷积层的输出结果与第一残差单元的输出结果相融合，得到融合结果A1；
[0009]将融合结果A1输入第二残差单元，融合结果A1再与第二残差单元的输出结果相融合，得到融合结果B1；
[0010]将融合结果B1输入到第三残差单元，融合结果B1再与第三残差单元的输出结果相融合，得到融合结果C1；
[0011]将融合结果C1输入到第四残差单元，融合结果C1再与第四残差单元的输出结果相融合，获得融合结果D1，将融合结果D1作为Encoder模块的输出结果。
[0012]进一步地，步骤一的具体过程为：
[0013]利用设置在列车轨道周围的成像设备采集列车侧部图像，参考车轴在列车侧部图像中的位置，从采集的图像中截取出裙板部件所在区域的图像。
[0014]进一步地，裙板部件所在区域的图像包括侧部转向架处的裙板图像以及侧部非转向架处的裙板图像。
[0015]进一步地，第一残差单元的空洞率为1，第二残差单元的空洞率为3，第三残差单元的空洞率为5，第四残差单元的空洞率为7。
[0016]进一步地，Backbone模块的结构具体为：
[0017]从Backbone模块的输入端开始，Backbone模块依次包括卷积层、最大池化层、第一卷积块、第二卷积块、第三卷积块和第四卷积块，其中：
[0018]第一卷积块包括3个串联的卷积单元，第二卷积块包括4～8个串联的卷积单元，第三卷积块包括6～36个串联的卷积单元，第四卷积块包括3个串联的卷积单元；每个卷积单元均包含3个卷积层。
[0019]进一步地，Backbone模块中，第一卷积块的每个卷积单元均包括一个64通道1*1卷积核大小的卷积层、一个64通道3*3卷积核大小的卷积层以及一个256通道1*1卷积核大小的卷积层；
[0020]第二卷积块的每个卷积单元均包括一个128通道1*1卷积核大小的卷积层、一个128通道3*3卷积核大小的卷积层以及一个512通道1*1卷积核大小的卷积层；
[0021]第三卷积块的每个卷积单元均包括一个256通道1*1卷积核大小的卷积层、一个256通道3*3卷积核大小的卷积层以及一个1024通道1*1卷积核大小的卷积层；
[0022]第四卷积块的每个卷积单元均包括一个512通道1*1卷积核大小的卷积层、一个512通道3*3卷积核大小的卷积层以及一个2048通道1*1卷积核大小的卷积层。
[0023]进一步地，Head模块用于对Encoder模块的输出结果进行分类和回归，若Head模块的输出结果为图像中有目标属于侧部裙板丢失故障、得分score大于等于分数阈值且裙板丢失位置的最小外接矩形的长大于设定的长度阈值、宽大于设定的宽度阈值，则认为输入图像中存在侧部裙板丢失故障，否则不存在侧部裙板丢失故障。
[0024]进一步地，Head模块进行分类时，采用的损失函数为：
[0025][0026]其中，L
fl
为损失函数，α是平衡因子，γ是调节因子，y
′
是经过Head模块的激活函数后检测结果的概率，y是真实标签的概率。
[0027]进一步地，Head模块进行回归时，采用的损失函数GIoU_loss为：
[0028][0029][0030]GIoU_loss＝1
‑
GIoU
[0031]其中，A是预测框，B是目标框，IOU是交并比，C是预测框和目标框的最小外接矩形。
[0032]更进一步地，YOLOF网络的训练过程为：
[0033]对历史采集的列车侧部转向架处的裙板所在区域图像和列车侧部非转向架处的裙板所在区域图像进行数据扩增，对数据扩增后的图像进行标记，将图像中的裙板丢失故障标记为正样本，将图像中的水渍、油渍以及列车的其它部件标记为负样本，再利用标记好的图像对YOLOF网络进行训练；
[0034]直至达到设置的最大训练次数或YOLOF网络的检测准确率不再提升时停止训练，获得训练好的YOLOF网络。
[0035]本专利技术的有益效果是：本专利技术提出一种基于深度学习的列车侧部裙板丢失故障的检测方法，本专利技术在列车轨道周围搭建高清成像设备，当列车通过设备后即可获取高清图像；将车轴的位置作为参考，获得侧部转向架处小裙板所在区域图像和非转向架处的裙板所在区域图像，然后利用训练好的YOLOF网络结构对获得的侧部裙板所在区域图像进行丢失故障的检测，最后对裙板丢失的故障进行上传报警，工作人员根据识别结果进行相应的处理，保证列车安全运行。
[0036]本专利技术方法通过神经网络层对特征进行提取，可以更加充分的利用图像的信息，在YOLOF网络模型训练过程中，需要利用批量样本图像作为训练集，这样YOLOF网络模型的参数训练就考虑了批量样本的特征，在检测时就降低了对单一图像质量的依赖性；而且，本专利技术设计的YOLOF网络模型中包含Encoder模块，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述方法具体包括以下步骤：步骤一、获取列车侧部图像，并从获取的图像中截取出裙板部件所在区域的图像；步骤二、将步骤一中截取出的图像作为输入图像，将输入图像输入到训练好的YOLOF网络；所述YOLOF网络的结构包括Backbone模块、Encoder模块和Head模块，输入图像输入Backbone模块后，将Backbone模块的输出结果输入到Encoder模块，再将Encoder模块的输出结果输入到Head模块，通过Head模块输出故障检测结果；所述Encoder模块包括第一卷积层、第二卷积层和串联的4个不同空洞率的残差单元，Backbone模块的输出依次经过Encoder模块的第一卷积层和第二卷积层后，第二卷积层的输出结果输入第一残差单元，将第二卷积层的输出结果与第一残差单元的输出结果相融合，得到融合结果A1；将融合结果A1输入第二残差单元，融合结果A1再与第二残差单元的输出结果相融合，得到融合结果B1；将融合结果B1输入到第三残差单元，融合结果B1再与第三残差单元的输出结果相融合，得到融合结果C1；将融合结果C1输入到第四残差单元，融合结果C1再与第四残差单元的输出结果相融合，获得融合结果D1，将融合结果D1作为Encoder模块的输出结果。2.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述步骤一的具体过程为：利用设置在列车轨道周围的成像设备采集列车侧部图像，参考车轴在列车侧部图像中的位置，从采集的图像中截取出裙板部件所在区域的图像。3.根据权利要求1或2所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述裙板部件所在区域的图像包括侧部转向架处的裙板图像以及侧部非转向架处的裙板图像。4.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述第一残差单元的空洞率为1，第二残差单元的空洞率为3，第三残差单元的空洞率为5，第四残差单元的空洞率为7。5.根据权利要求1所述的一种基于深度学习的列车侧部裙板丢失故障的检测方法，其特征在于，所述Backbone模块的结构具体为：从Backbone模块的输入端开始，Backbone模块依次包括卷积层、最大池化层、第一卷积块、第二卷积块、第三卷积块和第四卷积块，其中：第一卷积块包括3个串联的卷积单元，第二卷积块包括4～8个串联的卷积单元，第三卷积块包括6～36个串联的卷积单元，第四卷积块包括3个串联的卷积单元；每个卷积单元均包含3个卷积层。6.根据权利要求5所述的一种基于深度学习的列车侧部裙板丢失故...

【专利技术属性】
技术研发人员：邓艳，
申请(专利权)人：哈尔滨市科佳通用机电股份有限公司，
类型：发明
国别省市：